一种基于GRU的工作面长观孔水位标高的短期预测方法

一种基于gru的工作面长观孔水位标高的短期预测方法
技术领域
1.本发明涉及煤矿领域，尤其涉及一种基于gru的工作面长观孔水位标高的短期预测方法。


背景技术：

2.预防煤矿井下突水事故是煤矿安全的重点之一。煤矿井下突水预测通常是结合长观孔水位标高、顶板地质构造、水文条件等信息，结合工作面回采速度、顶板来压等动态过程综合预测。
3.在井下突水预测过程中，长观孔水位标高是井下水文状态变化最直观的数据，最能真实体现井下含水层的水文动态变化过程。因此，根据长观孔历史数据对水位标高实现预测，其预测结果可作为井下突水预测的关键指标。
4.煤矿地质构造和水文环境是长观孔水位标高变化的静态信息；而在工作面回采动程中，工作面推进、检修等具体过程，则引起是长观孔水位标高动态变化的基本原因。目前，井下长观孔水位标高都具备观测手段，通过人工或者自动数据传输的方式获取水位标高数据信息，但是该信息均是事件发生之后，没有对未来数据进行预测，其对突水事故预测的参考价值有限。因此，如何根据历史数据实现长观孔水位标高的短期预测，是实现井下突水预测的关键。


技术实现要素：

5.本发明目的是针对上述问题，提供一种可以对长观孔水位标高进行预测的基于gru的工作面长观孔水位标高的短期预测方法。
6.为了实现上述目的，本发明的技术方案是：
7.一种基于gru的工作面长观孔水位标高的短期预测方法，包括以下步骤：
8.s1、收集历史水位标高数据；
9.s2、对历史水位标高数据进行预处理，得到预处理数据；
10.s3、通过预处理数据、样本分配模块、输出集成模块构建gru神经网络模型；
11.s4、将实时水位标高数据进行预处理后输入到gru神经网络模型中，得到长观孔水位标高的短期预测结果。
12.进一步的，所述步骤s1中，历史水位标高数据每间隔4小时检测一次，每天收集数据量6个，数据格式为float，收集时间不小于1周。
13.进一步的，所述步骤s2中，将历史水位标高数据设为x＝[x1，x2，...，xn]，其中， n表示采集到数据个数，对历史水位标高数据进行归一化处理，其公式为：
[0014][0015]
式中，表示第i个归一化后的历史水位标高数据，i＝{1，2，3，...，n}，经过归一
化后得到预处理数据，预处理数据为
[0016]
进一步的，所述步骤s3具体包括以下步骤：
[0017]
s31、将预处理数据输入样本分配模块中，通过样本分配模块对预处理数据进行分配；
[0018]
s32、设时间序列中当前时刻为m，通过样本分配模块输出神经网络标签
[0019]
s33、通过样本分配模块分离出数据点输入gru长历史预测模块gru_long中，得到预测数据y
m 1_1
；通过样本分配模块分离出数据点输入 gru短历史预测模块gru_short中，得到预测数据y
m 1_2
；通过样本分配模块分离出数据点输入融合参数生成模块gru_parameter中，得到融合参数λ1和λ2；
[0020]
s34、将预测数据y
m 1_1
、预测数据y
m 1_2
、融合参数λ1和λ2输入到输出集成模块中，得到预测输出值y
m 1
，得到初步神经网络模型；
[0021]
s35、将预测输出值y
m 1
与神经网络标签通过损失函数lossfunction结合后得到网络损失值；
[0022]
s36、将大量预处理数据按时间顺序依次送入初步神经网络模型中，采用误差回传方法对初步神经网络模型进行训练，直到初步神经网络模型的网络损失值小于0.0001为止，即得到gru神经网络模型。
[0023]
进一步的，所述步骤s34中，输出集成模块的计算公式为：
[0024]ym 1
＝λ1y
m 1_1
λ2y
m 1_2
。
[0025]
进一步的，所述步骤s35中，损失函数lossfunction的计算公式为：
[0026][0027]
进一步的，所述步骤s4具体包括以下步骤：
[0028]
s41、采集六个实时水位标高数据，得到x1，x2，...x6，记录x1，x2，...x6中的最大值 x
max
并进行预处理，即得到预处理数据
[0029]
s42、将预处理数据输入gru神经网络模型中，得到预测输出值y7，将预测输出值y7去归一化后得到预测实际值
[0030]
与现有技术相比，本发明具有的优点和积极效果是：
[0031]
本发明提出了一种基于gru的工作面长观孔水位标高的短期预测方法，其首先根据历史长观孔水位标高数据构建初步神经网络模型，然后通过对大量水位标高数据对初步神经网络模型进行训练，最终得到gru神经网络模型，通过将实时长观孔水位标高数据输入到gru神经网络模型中即可得到采煤工作面长观孔水位标高的短期预测结果；其预测精准度较高，可以对突水事故预测起到有效的参考作用，有效提高了煤矿中的作业安全性。
附图说明
[0032]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0033]
图1为长观孔水位标高的检测示意图；
[0034]
图2为gru神经网络模型的结构示意图；
[0035]
图3为长观孔水位标高训练及推理结果示意图。
具体实施方式
[0036]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
[0037]
如图1所示，本发明通过定时观测的方法，采用人工或自动设备检测得到长观孔水位标高数据，根据历史数据预测未来的数据。预测的数据作为工作面突水事故的重要信息。
[0038]
本发明公开了一种基于gru的工作面长观孔水位标高的短期预测方法，其具体内容如下：
[0039]
(1)水位标高数据收集；
[0040]
规定水位标高数据每间隔4小时检测一次，每天数据量6个，数据格式为 float。收集数据时间不小于1周。
[0041]
(2)数据预处理；
[0042]
收集历史数据，设为x＝[x1，x2，...，xn]，其中n表示采集到数据个数，按照如下公式实现数据的归一化处理：
[0043][0044]
式中，表示第i个归一化的数据，i＝{1，2，3，...，n}。经过归一化后，历史数据为该数据作为神经网络的训练样本。
[0045]
(3)基于三胞胎rgu的算法结构；
[0046]
三胞胎gru分别针对长观孔水位标高的静态信息、动态信息和混合信息，建立时间序列网络，实现水位标高预测。网络架构如图2所示。
[0047]
训练样本经过样本分配模块，对样本进行分配。设时间序列当前时刻为m，则目的是预测第m 1个数据，故在样本分配模块输出神经网络的标签同时，分离出来6个数据点(即一天的数据量)，进入 gru长历史预测模块gru_long；并将作为gru短历史预测模块gru_short的输入数据；数据点同样作为输入数据使融合参数生成模块 gru_parameter产生参数λ1和λ2。两个gru模块分别根据长短历史数据预测出 y
m 1_1
和y
m 1_2
两个数据，然后根据融合参数λ1和λ2，在输出集成模块融合成为y
m 1
。预测输出y
m 1
与标签通过损失函数lossfunction获得当前网络的损失值。神经网络的训练时，损失函数的损失值起指导作用。
[0048]
gru神经网络结构设计如表1所示：
[0049]
表1：gru模块设计参数
[0050][0051][0052]
样本分配模块实现方法：
[0053]
样本分配模块的输入是时间序列，时间序列按照时间顺序输入。设最新输入数据为m≥6，即保证至少7个数据点。其中，为样本的标签，为神经网络的输入数据点。作为一个整体，分别输入 gru_long和gru_parameter，送入gru_short。
[0054]
当样本分配模块的输入增加为时，为标签，而为输入gru的数据。处理方法与前述相同。
[0055]
输出集成模块将三胞胎gru的输出集成为一个输入，集成公式如下所示：
[0056]ym 1
＝λ1y
m 1_1
λ2y
m 1_2
ꢀꢀ
(2)
[0057]
损失函数lossfunction采用mse(mean square error)函数，表达式如下所示：
[0058][0059]
(4)gru神经网络训练；
[0060]
大量收集长观孔水位标高数据，并按照(2)中过程初始化，然后按时间顺序依次送入三胞胎gru神经网络，并采用误差回传方法对神经网络进行训练。直到神经网络的损失值小于0.0001为止，最终得到rgu神经网络模型。
[0061]
(5)长观孔水位标高的推理(推理过程)；
[0062]
神经网络训练好以后，可以采用神经网络模型实现推理，即短时预测长观孔水位标高。具体操作方法如下：
[0063]
1、读取长观孔实时数据，当数据大于量等于6时，得x1，x2，...x6。并记录一个数据中的最大值x
max
，同时对数据归一化，即
[0064]
2、将分配给三胞胎gru神经网络模型，并得到预测值y7；去归一化的实际值
[0065]
3、当读取长观孔实时数据量为7时，首先比较x7与x
max
的大小，若x7＞x
max
，则将x
max
更新为x7；
[0066]
4、归一化x2，x3，x7，即得到
[0067]
5、将输入神经网络得到预测值y8，且实际值
[0068]
6、后续操作采用上述循环即可。
[0069]
上述长观孔水位标高训练及推理结果如图3所示，图3中，中等深度的曲线为实际水位标高，最浅颜色的曲线为训练的输出结果，最深颜色的曲线为短期预测结果。
[0070]
本发明提出了一种基于gru的工作面长观孔水位标高的短期预测方法，其首先根据历史长观孔水位标高数据构建初步神经网络模型，然后通过对大量水位标高数据对初步神经网络模型进行训练，最终得到gru神经网络模型，通过将实时长观孔水位标高数据输入到gru神经网络模型中即可得到采煤工作面长观孔水位标高的短期预测结果；其预测精准度较高，可以对突水事故预测起到有效的参考作用，有效提高了煤矿中的作业安全性。